1.一种基于pso和rbfnn的隧道交通照明系统智能控制方法，其特征是包括以下步骤：
(1)根据隧道的照明条件，由径向基函数神经网络rbfnn确定照明系数；
在隧道的各位置安置m个传感器来测量n盏灯对该位置的照度贡献；将灯和传感器的位置维数由三维降低为二维；
将传感器的位置和每个灯对这些传感器的照度贡献作为训练数据，建立出rbfnn模型，即：所有传感器的位置(x,y)和每个灯的序号i作为rbfnn的输入，照明系数aij作为rbfnn的输出，其中，n盏灯的序号为1,…，i，…，n；i为灯的序号；n为灯的总数；m个传感器的序号为1,…，j，…，m；j为传感器的序号，m为传感器的总数；照明系数aij为灯i对于传感器j所在位置的照度贡献比；
则每盏灯对所有传感器的照度贡献形成一个rbfnn，有n盏灯就有n个rbfnn网络；
(2)将照明系数aij输入粒子群优化算法pso中；
(3)对粒子群优化算法pso中粒子群的各个粒子的位置和速度进行初始化；
各个粒子的位置初始化为：(f1,f2,...,fn)；其中，f1，f2，...，fn分别为灯1,2，…，n的亮度调节比；f1，f2，...，fn的初始化范围为[0，1]；
各个粒子的速度初始化为：(v1,v2,...,vn)，其中，v1，v2，...，vn分别为灯1,2，…，n的亮度调节比的变化速度，v1，v2，...，vn的初始化范围为[-0.5，0.5]；
(4)根据适应度函数对每个粒子的适应度值进行计算，确定粒子的历史最优解；所述适应度函数如下所示：
式中，e1，e2，…，ej，…，em为传感器1，2，…，m接受的来自灯1，2，…，n的照度总和；
a11，…，aij，…，amn为照明系数；
f1，f2，...，fn分别为灯1,2，…，n的亮度调节比；
cost为适应度值；
m为传感器的总数，n为灯的总数，i为传感器的序号，j为灯的序号；
t为目标照度；
penalty为补偿系数；
(5)根据历史最优解的粒子迭代每个粒子的速度，具体为：
第k+1次迭代后粒子h的速度为：
(6)迭代每个粒子的位置，具体为：
第k+1次迭代后粒子h的位置为：
其中，
(7)比较每个粒子的历史最优解，更新粒子群的全局最优解；
(8)若当前迭代次数达到最大迭代次数，或者适应度误差系数α≤5％，则输出当前的最优解；否则，粒子群优化算法pso将再次从第四步开始进行迭代；
(9)输出最优解粒子，即隧道照明系统中每盏灯的最优照度配置方案。
2.根据权利要求1所述的一种基于pso和rbfnn的隧道交通照明系统智能控制方法，其特征在于，所述适应度值越小表示这个粒子越接近最优位置。
3.根据权利要求1所述的一种基于pso和rbfnn的隧道交通照明系统智能控制方法，其特征在于，所述最大迭代次数根据实验选定，算法收敛时的迭代次数通常定为最大迭代次数。
4.根据权利要求1所述的一种基于pso和rbfnn的隧道交通照明系统智能控制方法，其特征在于，所述适应度误差系数